Development and external validation of an acute kidney injury risk score for use in the general population
Notice bibliographique
Résumé
BACKGROUND: Improving recognition of patients at increased risk of acute kidney injury (AKI) in the community may facilitate earlier detection and implementation of proactive prevention measures that mitigate the impact of AKI. The aim of this study was to develop and externally validate a practical risk score to predict the risk of AKI in either hospital or community settings using routinely collected data. METHODS: Routinely collected linked datasets from Tayside, Scotland, were used to develop the risk score and datasets from Kent in the UK and Alberta in Canada were used to externally validate it. AKI was defined using the Kidney Disease: Improving Global Outcomes serum creatinine-based criteria. Multivariable logistic regression analysis was performed with occurrence of AKI within 1 year as the dependent variable. Model performance was determined by assessing discrimination (C-statistic) and calibration. RESULTS: The risk score was developed in 273 450 patients from the Tayside region of Scotland and externally validated into two populations: 218 091 individuals from Kent, UK and 1 173 607 individuals from Alberta, Canada. Four variables were independent predictors for AKI by logistic regression: older age, lower baseline estimated glomerular filtration rate, diabetes and heart failure. A risk score including these four variables had good predictive performance, with a C-statistic of 0.80 [95% confidence interval (CI) 0.80-0.81] in the development cohort and 0.71 (95% CI 0.70-0.72) in the Kent, UK external validation cohort and 0.76 (95% CI 0.75-0.76) in the Canadian validation cohort. CONCLUSION: We have devised and externally validated a simple risk score from routinely collected data that can aid both primary and secondary care physicians in identifying patients at high risk of AKI.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,037 | 0,082 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».